🧬 06 · 基因组变异与 VCF¶
变异(variation)是基因组学的核心:个体差异、疾病关联、群体遗传都围绕它。 本节:SNP/Indel 概念、VCF 格式解析、等位基因频率、变异注释与过滤。
📋 本节要解决的问题¶
- SNP 和 Indel 是什么?为什么关心它们?
- VCF 的 8 个固定列 + INFO/GT 怎么读?
- 等位基因频率(AF/MAF)怎么算?
- 变异质量过滤(DP/GQ/FILTER)怎么理解?
1️⃣ 变异类型¶
| 类型 | 全称 | 说明 |
|---|---|---|
| SNP | 单核苷酸多态 | 单个碱基替换(如 A→G) |
| Indel | 插入/缺失 | 小片段插入或缺失,会引起移码 |
| SV | 结构变异 | 大片段缺失/重复/倒位/易位(CNV 是拷贝数变异) |
| CNV | 拷贝数变异 | 基因拷贝数增多或减少 |
面试:SNP 与突变的区别?→ 突变一般指与参考基因组不同(个体内在); SNP 强调在群体中频率 ≥1% 的稳定多态位点。
Copied!
# 模拟参考基因组 + 样本测序比对后的变异
ref = 'ATCGATCGGATCCTAGCTAG'
var_sites = [
('chr1', 4, 'G', 'A'), # SNP
('chr1', 7, 'A', 'AAT'), # 插入 AAT
('chr1', 15, 'TC', 'T'), # 缺失 C
]
print('模拟变异列表:')
for chrom, pos, refb, alt in var_sites:
print(' %s:%d ref=%s alt=%s' % (chrom, pos, refb, alt))
print()
print('→ 变异描述三要素:位置 + 参考碱基 + 替代碱基')
assert len(var_sites) == 3
print('✅ 变异概念示例完成')
# 模拟参考基因组 + 样本测序比对后的变异
ref = 'ATCGATCGGATCCTAGCTAG'
var_sites = [
('chr1', 4, 'G', 'A'), # SNP
('chr1', 7, 'A', 'AAT'), # 插入 AAT
('chr1', 15, 'TC', 'T'), # 缺失 C
]
print('模拟变异列表:')
for chrom, pos, refb, alt in var_sites:
print(' %s:%d ref=%s alt=%s' % (chrom, pos, refb, alt))
print()
print('→ 变异描述三要素:位置 + 参考碱基 + 替代碱基')
assert len(var_sites) == 3
print('✅ 变异概念示例完成')
模拟变异列表: chr1:4 ref=G alt=A chr1:7 ref=A alt=AAT chr1:15 ref=TC alt=T → 变异描述三要素:位置 + 参考碱基 + 替代碱基 ✅ 变异概念示例完成
2️⃣ VCF 格式解析¶
VCF(Variant Call Format)每行 8 列 + 可选样本列:
CHROM POS ID REF ALT QUAL FILTER INFO
| 列 | 含义 |
|---|---|
| POS | 1-based 位点 |
| REF | 参考等位基因 |
| ALT | 替代等位基因 |
| QUAL | 变异质量 Phred 得分(越高越可信) |
| FILTER | PASS 或失败原因(如 DP<10) |
| INFO | 键值对,如 DP=深度、AF=等位基因频率 |
| 样本列 | GT=基因型(0 参考 / 1 变异,0/1 杂合)
Copied!
def parse_vcf(text):
"解析 VCF -> [{chrom,pos,ref,alt,qual,filter,info}]"
recs = []
for line in text.splitlines():
line = line.strip()
if not line or line.startswith('#'):
continue
f = line.split('\t')
info = {}
for kv in f[7].split(';'):
if '=' in kv:
k, v = kv.split('=', 1)
info[k] = v
else:
info[kv] = True
recs.append({'chrom': f[0], 'pos': int(f[1]), 'ref': f[3], 'alt': f[4],
'qual': float(f[5]), 'filter': f[6], 'info': info})
return recs
vcf = '''##fileformat=VCFv4.2
#CHROM POS ID REF ALT QUAL FILTER INFO
chr1 1000 . G A 120 PASS DP=30;AF=0.25
chr1 1005 . C T 15 q10 DP=8;AF=0.10
chr2 2000 rs123 G T 200 PASS DP=45;AF=0.50'''
recs = parse_vcf(vcf)
print('记录数:', len(recs))
for r in recs:
print(' %s:%d %s->%s QUAL=%g FILTER=%s AF=%s' %
(r['chrom'], r['pos'], r['ref'], r['alt'], r['qual'], r['filter'], r['info'].get('AF')))
interesting = [r for r in recs if r['qual'] > 30 and r['filter'] == 'PASS']
print()
print('PASS 且 QUAL>30 的高可信变异数:', len(interesting))
assert len(recs) == 3 and len(interesting) == 2
print('✅ VCF 解析与质量过滤完成')
def parse_vcf(text):
"解析 VCF -> [{chrom,pos,ref,alt,qual,filter,info}]"
recs = []
for line in text.splitlines():
line = line.strip()
if not line or line.startswith('#'):
continue
f = line.split('\t')
info = {}
for kv in f[7].split(';'):
if '=' in kv:
k, v = kv.split('=', 1)
info[k] = v
else:
info[kv] = True
recs.append({'chrom': f[0], 'pos': int(f[1]), 'ref': f[3], 'alt': f[4],
'qual': float(f[5]), 'filter': f[6], 'info': info})
return recs
vcf = '''##fileformat=VCFv4.2
#CHROM POS ID REF ALT QUAL FILTER INFO
chr1 1000 . G A 120 PASS DP=30;AF=0.25
chr1 1005 . C T 15 q10 DP=8;AF=0.10
chr2 2000 rs123 G T 200 PASS DP=45;AF=0.50'''
recs = parse_vcf(vcf)
print('记录数:', len(recs))
for r in recs:
print(' %s:%d %s->%s QUAL=%g FILTER=%s AF=%s' %
(r['chrom'], r['pos'], r['ref'], r['alt'], r['qual'], r['filter'], r['info'].get('AF')))
interesting = [r for r in recs if r['qual'] > 30 and r['filter'] == 'PASS']
print()
print('PASS 且 QUAL>30 的高可信变异数:', len(interesting))
assert len(recs) == 3 and len(interesting) == 2
print('✅ VCF 解析与质量过滤完成')
记录数: 3 chr1:1000 G->A QUAL=120 FILTER=PASS AF=0.25 chr1:1005 C->T QUAL=15 FILTER=q10 AF=0.10 chr2:2000 G->T QUAL=200 FILTER=PASS AF=0.50 PASS 且 QUAL>30 的高可信变异数: 2 ✅ VCF 解析与质量过滤完成
3️⃣ 手算示例:等位基因频率¶
一个位点,20 个个体(二倍体 2N=40 个等位基因), 计数:AA=12, Aa=6, aa=2(A 为参考,a 为变异)
等位基因 a 的频率(频率): $$AF = \frac{\text{a 的拷贝数}}{2N} = \frac{2\times2 + 6}{40} = \frac{10}{40} = 0.25$$
基因型频率:AA=12/20=0.60,Aa=6/20=0.30,aa=2/20=0.10 MAF(较少等位基因频率) = min(AF, 1-AF) = 0.25(A、a 都不少于 25%)
Copied!
# 验证手算
aa_hom, het, alt_hom = 12, 6, 2 # AA, Aa, aa
n_ind = aa_hom + het + alt_hom
af = (2*alt_hom + het) / (2*n_ind)
print('等位基因a频率(手算 0.25) =', af)
print('基因型频率: AA=%.2f Aa=%.2f aa=%.2f' % (aa_hom/n_ind, het/n_ind, alt_hom/n_ind))
maf = min(af, 1 - af)
print('MAF(手算 0.25) =', maf)
assert abs(af - 0.25) < 1e-9 and abs(maf - 0.25) < 1e-9
print('✅ 等位基因频率手算验证通过')
# 验证手算
aa_hom, het, alt_hom = 12, 6, 2 # AA, Aa, aa
n_ind = aa_hom + het + alt_hom
af = (2*alt_hom + het) / (2*n_ind)
print('等位基因a频率(手算 0.25) =', af)
print('基因型频率: AA=%.2f Aa=%.2f aa=%.2f' % (aa_hom/n_ind, het/n_ind, alt_hom/n_ind))
maf = min(af, 1 - af)
print('MAF(手算 0.25) =', maf)
assert abs(af - 0.25) < 1e-9 and abs(maf - 0.25) < 1e-9
print('✅ 等位基因频率手算验证通过')
等位基因a频率(手算 0.25) = 0.25 基因型频率: AA=0.60 Aa=0.30 aa=0.10 MAF(手算 0.25) = 0.25 ✅ 等位基因频率手算验证通过
4️⃣ GT 基因型与 Hardy-Weinberg 粗检¶
样本列 GT:0/0 纯合参考、0/1 杂合、1/1 纯合变异。
群体遗传学:Hardy-Weinberg 平衡下 $p^2 + 2pq + q^2 = 1$, 可用于质控(严重偏离 → 存在测序错误或选择压力)。
Copied!
from collections import Counter
# 20 个样本的 GT 列表
gts = ['0/0']*12 + ['0/1']*6 + ['1/1']*2
cnt = Counter(gts)
p = cnt['1/1']*2 + cnt['0/1'] # a 等位基因数
q = cnt['0/0']*2 + cnt['0/1'] # A 等位基因数
fa = p / (p + q)
print('GT 分布:', dict(cnt))
print('a 等位基因频率(手算 0.25) =', fa)
# HW 预期基因型频率
exp_hom_alt = fa**2
exp_het = 2 * fa * (1 - fa)
print('HW 预期: aa=%.2f Aa=%.2f' % (exp_hom_alt, exp_het))
print('观察值 : aa=%.2f Aa=%.2f' % (2/20, 6/20))
assert abs(fa - 0.25) < 1e-9
print('✅ GT 与 HW 粗检完成')
from collections import Counter
# 20 个样本的 GT 列表
gts = ['0/0']*12 + ['0/1']*6 + ['1/1']*2
cnt = Counter(gts)
p = cnt['1/1']*2 + cnt['0/1'] # a 等位基因数
q = cnt['0/0']*2 + cnt['0/1'] # A 等位基因数
fa = p / (p + q)
print('GT 分布:', dict(cnt))
print('a 等位基因频率(手算 0.25) =', fa)
# HW 预期基因型频率
exp_hom_alt = fa**2
exp_het = 2 * fa * (1 - fa)
print('HW 预期: aa=%.2f Aa=%.2f' % (exp_hom_alt, exp_het))
print('观察值 : aa=%.2f Aa=%.2f' % (2/20, 6/20))
assert abs(fa - 0.25) < 1e-9
print('✅ GT 与 HW 粗检完成')
GT 分布: {'0/0': 12, '0/1': 6, '1/1': 2}
a 等位基因频率(手算 0.25) = 0.25
HW 预期: aa=0.06 Aa=0.38
观察值 : aa=0.10 Aa=0.30
✅ GT 与 HW 粗检完成
✅ 自测清单¶
- 能区分 SNP / Indel / SV / CNV
- 能解析 VCF 的固定列与 INFO/GT
- 能手算等位基因频率与 MAF
- 能理解 QUAL/FILTER/DP 的质量控制意义